在本次采访中，dathow联合创始人Fabian Feidl向AZoM介绍了拉曼技术的几种应用，如不同的上游工艺、对下游的首次应用、对经典工艺参数的监控以及质量相关属性的监控。
您能跟我们说说您的公司Datahow吗?
我们于2017年成立了该公司，作为Morbidelli教授集团的一个分支，Morbidelli教授以其在连续生物制造方面的活动而闻名。我们的主要目标是支持制造业的客户，重点关注生物制药和化学，以实现流程数字化和优化，实现工业4.0的目标。
我们在多功能数字化活动中的关键能力是通过先进的定制数据分析和流程模型支持流程开发和生产中的决策。在数据管理、传感器和实验室自动化等其他领域，我们正在与西门子或凯撒光学系统等其他公司合作。
我们的主要原理是一种混合方法，利用工程师的专业知识和直觉，结合计算机的计算能力和非直觉学习能力来解决问题。所面临的挑战,特别是在生物制药,我们正在与非常复杂,没有完全理解过程与几十几百过程变量被认为是连同成千整个过程开发的质量属性,这是受到很高的实验成本和上市时间的压力增加。因此，在我们看来，使用数据和过程知识驱动算法的混合方法对于有效地提供可靠的决策支持至关重要。
.jpg)
DataHow提供了哪些类型的服务，它们是如何使用的?
我们提供的产品和服务可分为三大支柱。我们的主要产品是用于工艺开发和生产的智能软件(DataHow®Lab)，其中包括多元数据分析、机器学习工具，可集成工艺知识，用于决策、监控、优化和控制。我们的第二个支柱是智能传感器，为此我们与凯撒光学系统密切合作，将我们的生物过程和数据分析能力与他们在光谱产品方面的专业知识相结合。
我们正在共同开发用于USP和DSP生物制药流程的先进光谱数据分析工具箱。我们提供模型开发和实施服务，并创建了特殊的解决方案，使我们的工具的使用多样化，如我们的专利FlowCell应用于下游加工。
虽然前两大支柱将于2019年商业化，但第三大支柱是将我们的解决方案集成到一个智能平台，以实现机器学习引导的机器人高通量工艺开发，最终实现自动化和自我优化的生物制造。在这里，我们与来自柏林工业大学的纽鲍尔教授团队紧密合作。
您能否简单解释一下拉曼光谱，以及为什么DataHow对它如此感兴趣?
拉曼光谱是一种光散射技术，利用一定波长的激光与样品相互作用。这导致探测器捕捉到的激发光的波长偏移，产生拉曼光谱，这对每种化学物质都是高度特定的。
如果你有一个简单的分子，在一个非常纯净的样品中，我们可以看到不同的峰形成指纹。强度与化合物的浓度有关。然而，如果你有一个大分子，比如抗体，含有几个杂质，这会导致重叠的指纹没有明显的峰，这使得肉眼无法解释。
如果你在生物反应器中进行测量，这种效果会进一步增强，在生物反应器中，数千个组件同时存在并被检测到。因此，需要强大的数据分析工具来找到相关信息来解释离线分析的参考测量浓度。
一旦这些模型被校准，它们就可以在线使用，例如，使用新进入的光谱来预测生物反应器中当前的葡萄糖浓度。DataHow的关键能力之一在于构建那些先进的预测模型。
.jpg)
数据分析通常是如何进行的，你的方法有哪些不同之处?
经典的模型方法包括三个步骤。第一个步骤是数据准备步骤，其中需要从不同的离线分析仪收集参考测量值。光谱需要挑选，与参考测量值对齐，并读取到分析软件中。
在第二部分，频谱预处理或预处理步骤中，主要目标是降低频谱中的显著噪声含量并增强相关信号。为此，有许多不同技术的组合，但需要仔细选择和调整，因为它们对下一步的模型开发有巨大影响。
在这一步中，数据集被分割，以便首先训练一个模型，然后在一个测试集上应用和评估它。
在经典的商业工具辅助建模方法中，通常需要大量的手工处理步骤，特别是在预处理部分，而实际的模型开发部分通常受到商业工具设计的灵活性和定制潜力的限制。
在DataHow的建模方法中，我们的目标是立即开始利用拉曼光谱技术，并通过使用一种名为迁移学习的技术来监测首次运行，该技术由历史数据集支持。一旦我们获得新过程的数据，我们定制和重新训练这些模型，通过我们的高级建模，显著减少模型误差，特别是增加预测的稳健性。
一旦我们获得了更多的工艺数据，我们就可以通过智能软件的工具集以及生成的工艺理解，进一步提高拉曼光谱的预测能力和视角范围。我们的光谱建模工具箱的目的是为终端用户提供一个强大的和用户友好的工具，使他们能够尽可能广泛和有效地利用拉曼技术在USP和DSP应用的潜力。
真的需要先进的技术吗?
我们通常认为，为了创建自动化的、健壮的、通用的以及自学习的解决方案，高级工具必须与标准技术相结合。因此，虽然在某些情况下，高级非线性技术可以得到与标准建模技术相似的结果，但在某些情况下，使用高级技术是至关重要的。
此外，不仅要基于它们的均方根误差来比较模型，而且还要特别考虑它们在跨过程变量和尺度的可移植性方面的稳健性，这一点非常重要。
我们在一个非常大的过程参数数据集上训练我们自己的模型，并将其与商业建模工具进行比较。在这种情况下，先进的技术总是优于商业标准工具。这主要是由于他们的特点不同。有些人能够预测非线性，有些人则能够进行推断。
有些对异常值更为稳健，或者独立于预处理设置。然而，这不应该是先进技术和非先进技术之间的决定。重要的是选择最适合当前情况的技术。
有这么多的模型，你怎么知道该用哪一个呢?
在这里，我们再次提供了一个自动化的框架，以详细说明数千种不同可能性的假设和模型参数组合的选择，最终定义最有希望的模型组合。因此，我们从不使用单一的模型，而总是多个模型的融合，以从不同建模策略的不同优势中获得协同效益。
作为一个简单的例子，假设您有两个模型。模型一和模型二，这些模型预测的结果略有不同。根据均方根误差，模型二优于模型一。
但是，现在使用基于机器学习的模型融合方法，它可以了解在某些情况下哪个模型更好，我们可以将均方根误差从0.74或0.63降低到0.53。
此外，一个非常有趣和重要的方法也是模型本地化，它基本上是在数据子集上构建一些模型。这些局部区域的选择再次实现了自动化，并利用定位技术进一步提高了预测精度和鲁棒性。
.jpg)
图片来源:伤风/ Kurhan
如果您启动了一个新流程，并且不想等到生成足够的光谱来构建一个健壮的模型，会发生什么？
我们目前正在开发一个概念，称为迁移学习，有效地开始利用拉曼技术后，立即安装。随着时间的推移，您可能会从其他过程中收集大量不同的拉曼数据。然后可以使用这些数据来训练我们的高级模型，并将其应用于一个全新的流程，这意味着您已经可以监视新流程的第一次运行。一旦您从这个过程中生成了新的数据，您就可以使用这些新数据并重新训练您的高级模型。
我们可以在几个用例中证明这个概念已经起作用了。我们使用一个旧数据集(用于训练)和一个新数据集(用于预测)。当我们只使用新的数据集并从这个数据集依次添加更多的数据时(我们开始一个新过程时的标准方法)，我们收到了非常高的模型误差和非常大的误差标准差。如果我们只使用旧数据集来训练模型，并立即将其应用到新数据集(转移模型)，我们显然优于模型。
一旦我们用新数据的一部分重新训练这些模型(重新训练转移模型)，我们可以显著地进一步减少模型误差，增加鲁棒性。这向我们展示了迁移学习概念的巨大潜力。此外，这也激发了利用各种可能性来整合所有可能的数据源——最好是来自不同公司的数据源，例如在云解决方案中，联合高效和有效地利用拉曼技术。
你能告诉我们拉曼光谱是如何应用到你们的产品中的吗？
继USP的第一个成功案例之后，我们非常有兴趣将拉曼技术的开发扩展到DSP上，目前我们在DSP上面临大约50%的生物制造成本。
在线测量目标蛋白质甚至某些质量属性对于下游加工来说是一个巨大的优势，因此我们开发了一种获得专利的FlowCell。
我们设计了一种减少峰展宽效应的流动路径，这使得它也适用于色谱。虽然我们只有非常有限的140µl的体积，但我们也可以通过使用反射器来增加信号，并且通过非接触设计，光学元件从体积流中分离出来。
这导致了高压容忍度，但也使我们能够思考单一使用功能的方向。您可以将细胞连接到色谱系统或其他处理单元，并在在线模式下使用它。当然，您也可以在脱机模式下使用它。
.jpg)
图片来源：shutterstock.com/vs148
你是如何开发这项技术的，你认为它在未来会在哪里实施?
我们相信，在生物制药领域，拉曼技术将具有广阔的应用前景，与目前的状况相比，将有越来越多的先进应用。
通过我们先进的光谱建模工具箱，我们希望能够揭示尚未可靠量化的过程和产品特性。在工艺开发过程中已经建立的强大和可靠的模型将在随后的技术转移到制造过程中加强应用范围。在这里，基于我们的智能软件和智能传感器工具箱，我们希望能够建立基于拉曼信息的实时过程优化和控制。
当然，通过在不同的工业使用案例中提高流量单元的利用率，我们希望充分挖掘拉曼应用在DSP中的潜力。由于我们对过程有了详细的了解，相应的工具箱将通过与确定性模型变量进行融合的选项提供帮助。
除了更广泛的应用范围和提高模型用例的准确性和效率的目标之外，我们的主要目标是为我们的客户提供一个用户友好的解决方案，他们将受益于多功能工具集，同时必须为解决方案提供自己的数据。
你们还在其他领域使用过拉曼光谱吗?
我们在上游实现了拉曼技术，但也在下游应用。我们与西门子合作，开发了端到端集成连续生物过程的监控和数据采集系统，收集所有数据并将数据集中在一个数据库中。在该平台上，我们开发了一种先进的全流程监控甚至预测性维护工具。
此外，我们开发了一种监督控制，以适应，例如，第一步色谱，基于滴度浓度在灌注生物反应器。此外，我们希望在一般用于工艺开发的小型机器人平台上实现这项技术。附加的流程信息可以与高级流程建模方法相结合，并可以进一步加速流程开发。
FlowCell的实现有多简单?
其实很简单。唯一需要做的就是设置不同的层和零件。
然后，需要调整非接触式目标，使信号强度最大化。另一方面，你需要调整反射器，一旦设置好，信号强度增加，你就可以开始测量了。你可以用色谱中常见的溶液来清洗它，这个系统就可以使用了。
.jpg)
图片来源:伤风/ LookerStudio
我们何时、如何才能从凯撒订购FlowCell？
可能已经订购了FlowCell。目前，我们正在向有限数量的客户提供这些产品，并获得反馈，以将新一代改进的FlowCell商业化。
我们需要多少数据来训练一个模型?
这个问题很难回答。如果你采用传统的工艺，你通常需要三到四个不同的生物反应器运行，大约每天一次。然而，这很大程度上取决于过程的可变性。但是，当您有一个比较旧的、相当相似的历史数据集并传输模型时，您已经可以在第一次运行期间开始监视了。
您是否在开发此软件的同时发布过？
到目前为止，我们的重点不是出版。我们目前专注于软件的开发和商业化。除了客户和合作伙伴有兴趣让他们的成功故事更引人注目外，我们确实也有兴趣在未来公布一些结果。
现在训练这些模型需要使用超级计算机吗?
的确，这些先进的建模技术需要更多的计算时间，但我们是在普通的个人计算机上进行计算的。当然，在这里，你的电脑越好，你收到结果的速度就越快。然而，在个人计算机上执行此操作是可能的，这需要几个小时，但需要经常进行的再培训只需几秒钟或几分钟。
我们的读者可以去哪里了解更多?
想了解更多请访问;
-1.jpg)
关于费边Feidl
Fabian Feidl在比伯拉赫应用科学大学开始了他的制药生物技术研究。亚博老虎机网登录在他的理学学士学习过程中，他在Rentschler Biotechnology进行了一个实践学期和学士论文。
虽然他的学士学位课程是广泛的范围和方向的生物制药产业的要求，他专注于生物分子，他们的工程和制造在他的硕士研究分子生物技术在慕尼黑工业大学。
经过几次研究实习后，他在伦敦大学学院(University College London)开始了一个研究项目。随后，他在苏黎世联邦理工学院(ETH Zurich)的morbidelli集团(morbidelli group)开始了他的博士学位，在该集团中他共同创立了DataHow AG。Fabian Feidl获得罗氏、汉斯-鲁道夫基金会、卡尔-施莱希特基金会的奖学金，并入选Bayerische elite academy。
免责声明:本文所表达的观点仅代表受访者个人观点，并不代表本网站所有者及运营商AZoM.com Limited (T/A) azonnetwork的观点。本免责声明构成条款和条件本网站之使用。